基于图神经网络辅助多智能体强化学习的卫星边缘计算动态数据传输技术研究

《IEEE Open Journal of the Communications Society》：SEC-DT: Satellite Edge Computing Enabled Dynamic Data Transmission Based on GNN-Assisted MARL for Earth Observation Missions

本文针对低地球轨道卫星网络中地球观测任务面临的海量图像数据传输挑战，提出了一种卫星边缘计算赋能的计算感知动态数据传输框架SEC-DT。研究团队通过融合图神经网络与多智能体强化学习算法，创新性地实现了路由选择与在轨图像压缩的联合优化。实验结果表明，该方案在真实星链星座数据集上能够将传输延迟降低37%的同时保证图像推理精度仅下降3%，为大规模星座网络中的实时数据分发提供了重要技术支撑。

　　

随着低地球轨道卫星技术的飞速发展，地球观测卫星数量呈现爆发式增长。这些卫星通过高分辨率相机和先进传感器持续产生海量对地观测图像，在林业监测、生态系统服务等领域发挥重要作用。然而，将体积庞大的图像数据及时传回地面仍面临两大核心挑战：卫星资源有限性和动态网络拓扑的不稳定性。特别是在森林火灾检测等时敏型任务中，传统静态路由策略难以适应星座网络的时变特性，而过度的在轨图像压缩虽能减少传输数据量，却会降低下游人工智能任务的推理精度。

为解决这一难题，中山大学肖宇阳团队在《IEEE Open Journal of the Communications Society》发表研究，提出SEC-DT框架。该框架创新性地将卫星边缘计算概念引入数据传输过程，通过联合优化路由选择和压缩策略，实现多路径并发传输的加速。研究团队将问题建模为部分可观测马尔可夫决策过程，设计了一种图神经网络辅助的多智能体强化学习算法。该算法充分利用卫星网络的图结构特性，通过消息传递机制使各智能体获得更全面的环境感知，从而在动态网络环境下做出更精准的决策。

关键技术方法包括：1）建立包含100个星链卫星和10个SkySat观测卫星的仿真环境，利用TLE数据生成动态拓扑；2）采用Qmix算法框架实现多智能体协同训练，通过超网络融合个体Q值；3）引入三层图卷积网络提取卫星拓扑特征，生成紧凑状态表示；4）设计多目标奖励函数平衡传输延迟与图像质量。

系统建模与优化问题构建方面，研究团队首先定义了包含m个LEO卫星（含n个EO卫星）和k个地面站的网络模型。通过引入时间片划分机制，将连续任务周期T离散化为τ_t个时隙，在每个时隙内网络拓扑保持相对稳定。关键创新在于建立了传输时延h_i^xy(t)与计算时延v_{ixy(t)的联合优化模型，其中压缩算法复杂度采用K(ρ,ε)=e^ερ-e^ε的指数模型，更贴合实际压缩技术特性。}

GNN辅助的MARL优化算法部分，研究团队设计了包含数据流特征f_i(t)、地面站特征q_i(t)和卫星特征集P_i(t)的状态空间。通过图卷积操作M^l+1(t)=σ(D?^-1/2?(t)D?^-1/2W^lM^l(t))实现邻域信息聚合，其中?(t)=A(t)+I_n为自连接邻接矩阵。动作空间同时包含路由指示器b_i^xy和压缩决策z_{ixy，奖励函数设计兼顾传输效率与图像质量。}

性能评估实验显示，在100卫星规模的星链星座中，SEC-DT将传输延迟优化至100秒以内，相比GRLR算法提升10%的优化目标值（OOI）。在扩展至21个EO卫星的大规模场景中，算法仍保持优越性能，延迟控制在180秒左右且推理精度损失仅4%。能量消耗分析表明，虽然引入计算操作增加了在轨能耗，但通过优化传输路径显著降低了通信能耗，整体能效优于对比算法。

消融实验验证了GNN结构的关键作用，其通过捕获卫星拓扑中的语义信息，使智能体获得更有效的状态表征。如图10-11所示，引入GNN后奖励值收敛更快且OOI指标提升显著，证明图结构信息对协同决策的重要性。

研究结论表明，SEC-DT框架成功实现了动态卫星网络中多路径数据传输的联合优化。通过创新性地融合图神经网络与多智能体强化学习，解决了部分可观测环境下的决策难题。该工作为卫星边缘计算应用提供了重要范式，其设计的算法架构具有良好的可扩展性，能够适应不同规模的星座配置。未来研究方向包括提升算法训练稳定性，以及拓展在更多实时对地观测场景中的应用。